脉搏信号的干扰段检测与质量评估

【作　者】张爱华，魏方园，丑永新，杨晓华

1 兰州理工大学电气工程与信息工程学院，兰州市，730050

2 甘肃省工业过程先进控制重点实验室，兰州市，730050

3 兰州理工大学校医院，兰州市，730050

脉搏信号的干扰段检测与质量评估

【作者】张爱华1,2，魏方园1,2，丑永新1,2，杨晓华3

1 兰州理工大学电气工程与信息工程学院，兰州市，730050

2 甘肃省工业过程先进控制重点实验室，兰州市，730050

3 兰州理工大学校医院，兰州市，730050

脉搏信号蕴含丰富生理病理信息，而脉搏检测易受多种因素的影响导致信号质量变差，造成设备误报警。对脉搏信号进行离散符号化处理；运用动态时间扭曲算法（Dynamic Time Warping，DTW）将被测信号与脉搏信号模板进行比对得到干扰段检测阈值，检测脉搏信号中的干扰段；通过分析所得脉搏信号的DTW距离值判断脉搏信号的干扰程度，由干扰程度与信号质量间的关系评估脉搏信号质量等级。采用MIMICⅡ数据库中1 055组脉搏信号数据对算法进行训练及检验，并与已有算法比较，结果表明该方法能够准确地识别脉搏信号中的干扰段并能客观地对信号进行质量评估。

符号化；DTW；干扰段检测；质量评估

0　引言

脉搏信号能反映人体心脏与血液系统的生理变化，蕴含丰富的人体生理病理信息。然而，脉搏信号采集经常受到环境噪声，运动伪迹以及数据缺失等的影响而产生干扰段，造成监测信号参数估值错误，导致监护仪发出误报警。据统计，目前监护仪的错误报警率高达86%，居高不下的误报警严重影响监护仪的监护效果，造成医生患者对监护仪报警的麻痹大意[1-2]。检测脉搏信号中的干扰段并对脉搏信号进行质量评估，对信号的进一步分析处理有着重要的意义。

针对脉搏信号中干扰段引发的监护仪误报警问题，许多学者开展了研究，提出一些信号质量评估的方法，以便检测并分析质量好的信号，去除或不信任质量差的信号[3-4]。Sukor等[5]提出，运用形态学分析算法进行PPG（Photoplethysmogram）信号的质量评估，通过决策树将信号质量分为三个等级，该方法需要检测脉搏信号的多个特征值，算法复杂性较高。Karlen等[6]用脉搏间的互相关系数作为PPG信号质量评估因子，由相关系数的非线性函数计算出每个脉搏的质量等级。该方法能够较好判断信号质量，但信号存在干扰时该算法需要不断初始化，使得信号的质量判断存在间断部分。李桥等[7]提出了脉搏信号的融合质量评估算法，通过DTW（Dynamic Time Warping，DTW）对每个脉搏信号伸展或压缩，提取几种与信号质量相关的特征，应用多层感知器神经网络对信号质量进行判断。该算法能够判断脉搏信号质量，但准确率较低。而且该方法对于脉搏信号的分割采用幅度阈值和间期阈值，当脉搏信号存在较高噪声干扰时，难以实现单个脉搏波的准确分割。

针对以上问题，本文提出了一种脉搏信号干扰段检测与质量评估方法。根据脉搏波特征创建标准脉搏波形，运用信号归一化及符号化原理对所创建的脉搏波进行处理，得到用于干扰段检测的脉搏波符号化模板，用归一化和符号化原理处理采集的脉搏信号，得到采集的脉搏信号的字符串，脉搏波符号化模板与上述字符串运用DTW原理，生成DTW匹配矩阵，DTW距离值反映信号的干扰程度。由训练数据统计得到干扰段DTW检测阈值，用于脉搏信号干扰段的判断，基于信号的干扰程度评价信号质量等级。通过实际数据对此算法进行实验验证，评价算法准确性和复杂性。

1　方法

1.1脉搏信号的符号化

脉搏信号属于微弱的信号，采集过程中容易受到仪器和人体等方面的影响，含有工频干扰、基线漂移、运动伪迹等噪声信号。这些噪声的叠加污染造成脉搏信号存在干扰，严重影响了脉搏信号的分析与处理[8]。针对这类噪声信号造成的干扰，利用脉搏信号存在干扰无规则性这一特征，提出用脉搏信号模板匹配法检测干扰信号。利用时间序列的归一化、降维采样以及符号化表示对脉搏信号进行预处理。

首先，对脉搏信号进行归一化，使脉搏信号在同一参考系下进行衡量与对比。设原始脉搏信号为一个长度为n的时间序列，表示为A=[A1, A2, …, An]，通过式（1）对原始序列进行归一化计算，将归一化后的时间序列表示为B=[B1, B2, …, Bn]。

其中，Bmax与Bmin表示序列A的规范化范围，即分别为规范化后序列B的最大值与最小值。此处规范化范围取值为[-1, 1]，即Bmax=1，Bmin=-1。Amax与Amin即为该段序列A的最大值与最小值。

然后，采用分段聚合近似（Piecewise Aggregate Approximation，PAA）方法对脉搏信号序列进行时间序列的降维[9]。选择的降维率（Dimension Reduction Rate，DRR）越高，降维后的信号越简单，但是对原始信号的描述则不够充分；选择的降维率越低，原始信号信息丢失越少，但信号处理复杂度较高。因此要根据实际信号处理需要选用合适的降维率，通过大量实验，本文被测信号的降维率为40%。即将B序列降维表示为S=[S1, S2, …, Sm]，其中m=(1-DRR)n。降维表达如式（2）所示：

最后，对降维后的序列S，通过符号化表示为离散的字符串，进一步降低算法以及脉搏信号分析的复杂性，便于匹配计算。本文符号化字母表大小定为6，选用0、1、2、3、4、5数字表示，数字之间的差值直接可作为两列符号化序列的距离值。例如，字符串012345与字符串501234之间的距离为：5+1+1+1+1+1=10。根据序列规范化范围，计算符号化分段阈值范围。本文设定的规范化范围为[-1, 1]，选定符号化数字表大小为6，分段阈值则为：d=|-1-1|/6=1/3，则符号化分段阈值取为：-0.65、-0.35、0、0.35、0.65。

1.2脉搏信号匹配模板生成

脉搏信号主要由主波、重搏波以及重搏波前波组成，根据脉搏波的这些特征，已有学者研究证明，可以通过3个不同参数的高斯函数叠加产生脉搏信号[10-11]。利用式(3)～(5)所示的三个高斯函数的叠加，即可得到脉搏信号的匹配信号。

构成主波、重博波和重博前波的高斯函数分别为式（3）、（4）、（5），由式（6）得到的脉搏波作为脉搏信号的匹配信号，如图1所示。

图1　三个高斯函数合成的脉搏波波形Fig.1　Pulse waveform composed with three Gausian waves

为便于干扰段检测，运用1.1节所述方法，可得建模脉搏信号的符号化字符串如图2所示。

设建模脉搏信号的符号化字符串为C1，由图2可见，C1={0，3，5，4，4，2，2，2，0，0}。通过对符号化后的字符串进行分析处理，实现脉搏信号的干扰段检测。

图2　建模脉搏信号的降维符号化Fig.2　Modeling pulse signal of dimension symbols

1.3基于DTW的干扰段检测

相似性度量是衡量两序列相似性的依据，干扰段即为由噪声影响而造成脉搏信号失去原有特征的信号段，则干扰段检测可以认为是相似性度量过程。目前，时间序列的相似性度量主要是基于距离的度量，常用方法是欧几里得距离（也称欧氏距离）。但欧氏距离不适用于两时间序列时间轴不能完全对齐的情况，所以选用一种新的相似性测量方法——动态时间扭曲法（DTW）。

DTW距离可以支持序列在时间轴上的伸缩和弯曲，不要求两比较序列长度上的一致性[12]。设时间序列T=[T1, T2, …, Tk]和R=[R1, R2, …, Rl]，则可构建一个k*l阶的矩阵，矩阵中第(i, j)个元素就是两序列的点Ti和点Rj之间的距离值d(Ti, Rj)，其中d(Ti, Rj)=|Ti-Rj|。若两时间序列X=(3, 4, 5, 6, 3, 3)和Y=(1, 3, 2, 1)，则X和Y的动态扭曲累积距离矩阵计算过程如图3所示，终结点处的累积距离则为两序列的动态时间扭曲距离值。

图3　X和Y序列的DTW距离路径示意图Fig.3　Schematic diagram of the DTW distance path bctween series A and B

脉搏信号干扰段检测算法的实现，依赖于脉搏信号的分割。信号的归一化和PAA分段降维处理降低了信号的维度，对归一化和分段降维预处理后的信号运用差分求极大值即可检测出此时信号的峰值，根据信号检测出的峰值，对预处理后信号进行分割，分割后的信号段做离散符号化处理，用脉搏信号模板与每个分割信号段进行匹配检测，根据干扰段检测阈值则可检测出脉搏信号的干扰段。

1.4脉搏信号质量评估

通过对信号波形特征分析和噪声特征分析，得到反映信号质量高低的信号质量指数（Signal Quality Index，SQI），实现信号的质量评估。

在脉搏信号的质量评估中，李桥等将脉搏信号质量分为三个等级，即好、一般和差，分别用E、A和U表示。本文根据所采集信号与模板信号的DTW距离值评估信号质量，即DTW距离值越大表示信号质量越差，距离值越小则表示信号质量越好。将脉搏信号的质量划分为5个等级，用0、1、2、3、4这几个质量描述子作为信号质量指数来分别表示信号质量很差、较差、差、一般、好。根据实验得到信号质量等级阈值，由质量等级阈值判断信号质量等级，由此可以得到每个脉搏波形的信号质量指数，由信号质量指数可绘制出信号的质量等级曲线，质量等级曲线可直观反映脉搏信号各个波形的质量等级。

2　实验数据与实验方法

2.1实验数据

综合考虑采集对象各种因素对算法的影响，实验数据选自PhysioNet网站的MIMICⅡ数据库[13-14]。数据库中包含104例成年患者的脉搏信号，脉搏信号共计1 437组，采样频率为125 Hz。信号质量由专家标注，分为质量好、质量差、以及质量不确定三部分。实验中只选用被标注的质量好与质量差的两部分信号（共计1 055组），并且对信号做升采样处理，实验所用采样频率为250 Hz。为了检验干扰段检测算法的有效性，实验加入了由MIT-BIH/PhysioNet/Noise Stress Test数据库提供噪声信号(采样频率250 Hz)，包括基线漂移（数据名称：bw）、肌电干扰（数据名称：ma）及bw和ma中含有的工频噪声。

2.2实验方法

采用文献[7]中所用的融合质量评估实验方法，即实验数据共计1 055组，选择554组作为算法训练数据，剩余501组数据为算法验证数据。以12 s的数据为一个处理窗口，首先对窗口内数据进行归一化处理，然后对归一化后的信号进行基于PAA的分段降维处理，降维率为40%，通过1.3节所述算法对信号进行分割，对分割后的信号段进行符号化处理，用干扰段检测算法检测出干扰段，由干扰段检测算法形成的DTW矩阵得出信号质量等级。并将本文算法与文献[7]提出的脉搏信号质量算法进行准确率的比较。

在干扰段检测算法实验中，为了检验算法的有效性，在1 055组数据加入不同程度的MIT数据库中噪声信号。根据实验结果，分别统计训练实验和验证实验，计算干扰段检测算法的准确率和敏感度。

3　实验结果

3.1干扰段检测

对1 055组数据进行实验，各信号中干扰段由专家标注。统计出各组信号中的干扰段个数、算法检测出的干扰段（The Number of Detected，DN）、误检（False Positives，FP）的干扰段以及漏检（False Negatives，FN）的干扰段个数，最终计算出所提出的算法干扰段检测的准确率（Accuracy Rate，AT）、敏感度（Sensitivity，Se），准确率与敏感度计算公式分别为式（7）和式（8）。将554组训练数据和501组验证数据都分为5组，进行结果统计与显示。

表1所示为1 055组实验数据中干扰段所占比例（简称：干扰段占空比，Interference Period of Duty Ratio，IDUR）。表2所示为1055组实验数据的干扰段检测统计结果。

表1　1055组信号干扰段占空比值表Tab.1　1055 group signals interference period of duty ratio table

表2　1055组信号干扰段检测结果统计表Tab.1　1055 group signals interference test result table

由表2中的准确率和敏感度可知，本文提出的干扰段检测算法准确率高，当信号存在严重干扰时算法仍能够有效检测信号干扰段。

3.2质量评估

用本文算法对1 055组数据进行质量评估实验，在554组训练实验中，该算法准确率为94.22%（554组信号中，正确判断出的信号质量共计522组）；在501组验证实验中，算法准确率为96.81%（501组信号正确判断出485组信号质量）。而文献[7]所提脉搏信号质量评估算法，在进行相同的实验时，训练实验中算法的准确率为88.1%，验证实验中算法准确率为91.8%。由此可见，本文算法质量评估准确率明显较高。

比较两种算法，文献[7]提出的算法中，脉搏信号的初始模板由信号本身训练产生；在进行质量评估时，与正常脉搏信号存在一定偏差，而且在对信号分割时，采用幅度阈值和间期阈值，对于不同的脉搏信号，信号分割存在偏差，故本文所用的脉搏信号质量评估准确率更高。同时，文献[7]中质量评估方法采用四个质量评估因子融合计算脉搏信号质量，算法复杂度高于干扰段检测的脉搏信号质量评估。本文算法原理可以用于心电、血压等信号的质量评估。

如图4所示，为实验中一组信号的质量等级分布曲线。由图可见，图中脉搏信号反映出该段信号中有4个质量等级。当信号存在干扰时，脉搏信号质量明显下降，质量等级曲线直观反映了信号的质量等级。

图4　脉搏原始信号及其质量等级分布曲线图Fig.4　Pulse signal and its quality grade distribution charts

4　结束语

本文提出的脉搏信号干扰段检测与质量评估方法，算法简单，可在脉搏信号采集过程中快速检测出干扰段，避免对干扰程度较高且无有效脉搏信息的信号作进一步分析，从而提高脉搏信号监护的实时性和有效性。通过检测信号中的干扰段以及对信号干扰程度的分析，得到5个脉搏信号质量指数，可作为脉搏信号进一步分析的可信度权重因子，为人体状态的有效准确判断奠定基础。相比于现有脉搏信号质量评估方法，该方法能更准确有效地反映脉搏信号质量，并检测出信号中的干扰段。在脉搏信号监护系统，尤其是在无监督状态下，该方法可有效分析脉搏信号并降低监护系统的误报警率，在人体健康状态监护领域具有广泛的应用前景。

[1] Li Q, Gari DC. Signal quality and data fusion for false alarm reduction in the intensive care unit[J]. Journal of Electrocardiology. 2012, 45(6): 596-603.

[2] 张爱华, 丑永新. 动态脉搏信号的采集与处理[J]. 中国医疗器械杂志, 2012, 36(2): 79-84.

[3] 郭维, 刘光达, 张晓枫, 等. 基于多特征参数综合分析脉搏波信号失真度算法的实现[J]. 吉林大学(工学版), 2012, 4(42): 1044-1048.

[4] Xu S, Ping Y, Zhang YT. Assessment of photoplethysmogram signal quality using Morphology integrated with temporal information approach[C]. IEEE EMBS, 2012, 3456-3459.

[5] Sukor J, Redmond S, Lovell H. Signal quality measures for pulse oximetry through waveform morphology analysis[J]. Physiol Measurem, 2011,32:369-412.

[6] Karlen W, Kobayashi K. Photoplethysmogram signal quality estimation using repeated Gaussian filters and cross-correlation[J]. Physiol Measurem, 2012, 33: 1617-1629.

[7] Li Q, Clifford G. Dynamic time warping and machine learning for signal quality assessment of pulsatile signals[J]. Physiol Measurem, 2012, 33(9): 1491-1504.

[8] 王平, 张爱华, 丑永新. 基于动态差分阈值的脉搏信号峰值检测算法[J]. 吉林大学学报(工学版), 2012, 44(3): 847-853.

[9] 王海涛, 吕沙里, 郑慧君, 等. 容积脉搏波序列的异常模式检测[J]. 仪器仪表学报, 2009, 30(11): 2285-2291.

[10] Liu CY, Zheng DC, Alan M, et al. Modeling carotid and radial artery pulse pressure waveforms by curve fitting with Gaussian functions[J]. Biomed Signal Process Control, 2013, 8: 449-454.

[11] Diego MM, Pablo C. Marcos MF, et al. Stochastic Modeling of the PPG Signal: A Synthesis-by-Analysis Approach With Applications[J]. IEEE Trans Biomed Eng, 2013, 9(60): 2432-2441.

[12] 卢荣. 基于动态扭曲算法的时间序列部分周期模式挖掘研究[D]. 天津大学, 2009.

[13] Saeed M, Villarroel M, Clifford G, et al. Multiparameter intelligent monitoring in intensive care II (MIMIC-II): A public-access ICU database[J]. Crit Care Med, 2011, 39(5): 952-960.

[14] Clifford G, Lopez D, Li Q, et al. Signal quality indices and data fusion for determining acceptability of ECG collected in noisy ambulatory environments[J]. Comput Cardiol, 2011, 38: 285-288.

Interference Detection and Signal Quality Assessment of Pulse Signals

【 Writers 】ZHANG Aihua1,2, WEI Fangyuan1,2, CHOU Yongxin1,2, YANG Xiaohua3
1 College of Electrical and Information Engineering, Lanzhou University of Technology, Lanzhou, 730050
2 Key Laboratory of Gansu Advanced Control for Industrial Processes, Lanzhou, 730050
3 Hospital of Lanzhou University of Technology, Lanzhou, 730050

Pulse signal contains a wealth of biological and pathological information. However, it is susceptible to the influence of various factors which results in poor signal quality, and causes the device to generate false alarms. First the pulse signals are processing into discrete symbols, and then compare the test signal with the pulse template by using Dynamic Time Warping (DTW) to get the threshold for which can be used to find the interference segment of the test signal. By analyzing the DTW distance of the pulse signal, we can get the interference degree of the signal, then the quality level of the plus signal can be defined by the relationship between the interference degree and quality of the signal. The 1 055 group pulse signals provided by MIMICⅡ physiological database are used to train and test the signal quality assessment algorithms, and compared with other existing algorithms. The results show that the algorithms can accurately detect interference segments in pulse signal and reflect the quality of it.

symbolic representation, DTW, interference detection, quality assessment

R544.1

A

10.3969/j.issn.1671-7104.2015.04.001

1671-7104(2015)04-0235-05

2015-02-17

国家自然科学基金(81360229)；甘肃省自然科学基金(1308RJZA225)教育部高等学校博士学科点专项科研基金(20116201110002)；模式识别国家重点实验室开放课题基金(201407347)

张爱华，E-mail: lutzhangah@163.com